一种工业企业聚合用户电力负荷管理方法和系统与流程

本发明属于电力负荷能源管理技术，特别涉及一种工业企业聚合用户电力负荷管理方法和系统。

背景技术：

随着经济飞速发展、信息化水平的不断提高和全球资源问题的不断突出，合理开发利用能源，电力工业协调稳健发展，建立坚强智能电网都建面临新的挑战。依靠现在通信技术和数字化控制技术，提高电网智能化水平，适应未来可持续发展的理念要求，是当今电力工业发展和进步的必经之路。

工业企业用户电力的负荷管理，是指通过负荷调整技术改善用户的用电行为和用电方式，从而达到降低负荷峰值，取得节约电能，减少用户费用。精确的负荷预测结果能够提前感知负荷变化趋势，通过相应的计算处理给出与之相匹配的负荷管理控制策略，有效地负荷削峰填谷，满足需求侧管理的要求。

需求侧管理不仅仅是对用户用电行为进行规范，还可以根据电网运行情况对自身的发电出力进行相应的调整，即将用户侧分布式发电资源统一纳入需求侧管理范畴。负荷一般分级管理，主要分为关键负荷和可控负荷。关键负荷为需要重点保护电力供应的负荷；而可控负荷在紧急情况下可以适当切除，在正常情况下也可以通过需求侧管理或者需求侧响应达到优化负荷使用、节能省电的目的。

当前需求侧管理技术，尤其是细化到基于工业企业的需求侧管理技术处于推广阶段，主要基于传统系统级负荷调控类比展开，针对性技术较少。与传统系统量级的电力负荷不同，工业企业作为需求侧，其配电系统的配电范围小，负荷基数较小，用户数目少，且用电结构比较简单；其负荷值容易产生突变，稳定性比较差，数据常常会缺失或有误差很大的缺失值的坏数据。而在负荷调控阶段，单纯的直接负荷控制具有盲目性和误差性，需要使用细化分类分布式负荷管理。

技术实现要素：

本发明的目的在于克服上述不足，提供一种工业企业聚合用户电力负荷管理方法和系统，该负荷管理方法以负荷预测与负荷控制两大部分组成，完成针对工业企业的分布式负荷管理办法，解决了工业企业聚合用户的需求侧负荷管理问题。

为达到上述目的，本发明采用了以下技术方案：

一种工业企业聚合用户电力负荷管理方法，包括以下步骤：

步骤1，从数据采集系统获取所需要负荷管理的工业企业聚合用户的实时负荷数据，进行负荷分析和负荷数据细分，以需求侧响应机制为目标导向，对负荷数据进行分类与特性提取，将负荷数据细分为：基本保障负荷、生产计划负荷、气象敏感负荷、可控照明负荷和随机负荷五类负荷；

步骤2，依据细分结果将各个聚合对象的时间序列历史数据进行汇总分析，运用神经网络和机器学习的数据挖掘方法构建不同预测模型，基于用户历史用电数据、实时用电负荷数据和影响因素来预测未来用电负荷数据；

步骤3，获得负荷预测结果后，结合工业企业生产计划和用电负荷使用情况，使用需求侧响应机制来管理负荷；将负荷管理调控方案的负荷数据与实时数据比对，完成反馈修正。

所述的预测模型的建立是基于用户用电历史数据，从用电历史数据中分析用户用电习惯、设备运行状态及用电趋势、与环境的影响因素、用电负荷与时间关系，建立用电负荷预测模型。

所述的需求侧响应机制包括直接负荷控制、可中断负荷和分时电价。

工业企业用户侧电力负荷预测历史数据来源于SCADA电力监控系统，采集的数据先进行预处理，预处理方法包括数据清洗、降维和数据归一化。

管理负荷在负荷预测值达到最大需量之前的控制点处，通过内设的需量曲线模式判定法进行需量控制工作，即比对需量值和负荷预测值判定调节负荷，选择当前最合适的节能方案，提前控制最大需量。

一种工业企业聚合用户电力负荷管理系统，包括负荷数据获取模块、气象数据获取模块、数据库、神经网络预测模块、误差计算修正模块和数据显示单元；

其中，所述的负荷数据获取模块，与SCADA电力监控系统连接，用于获取负荷管理所需历史负荷数据和实时负荷数据；

所述的气象数据获取模块，与气象网站接口连接，用于获取负荷管理所需气象数据；

所述的数据库，连接历史负荷数据获取模块和气象数据获取模块，用于存储历史负荷数据、实时负荷数据和气象数据；

所述的神经网络预测模块，与数据库连接，用于基于用户历史用电数据、实时用电负荷数据和影响因素来预测未来用电负荷数据；

所述的误差计算修正模块，与神经网络预测模块和负荷数据获取模块连接，用于将负荷管理调控方案的负荷数据与实时数据比对，完成反馈修正，实时修正负荷数据并优化训练神经网络预测模块的数据库；

所述的数据显示单元，与数据库、神经网络预测模块和误差计算修正模块连接，用于人机交互，包括数据查询、曲线绘制、系统负荷分类展示和负荷调控方案推送。

还包括日期判别模块，日期判别模块与数据库连接，用于通过获取预测日日期与内置日历比对，将数据库内的负荷数据按照时间采样间隔排列为时间序列，细分归类为相似日数据集。

所述的数据显示单元包括数据查询模块、曲线绘制模块、系统负荷分类模块和负荷调控模块；

所述的数据查询模块，用于数据查询实现用户指定日或指定时段查询；

所述的曲线绘制模块，用于绘制指定日历史负荷曲线、各类负荷曲线、实时曲线、预测曲线、实时误差比对图以及较长时间段历史负荷趋势，并显示负荷值；

所述的系统负荷分类模块，用于展示各类负荷分类方法，并展示对应负荷曲线；

所述的负荷调控模块，用于推送负荷管理调控方案，并直观展示预计调控前后负荷曲线变化情况。

还包括智能控制模块，智能控制模块与神经网络预测模块和误差计算修正模块连接，用于依据负荷管理与优化控制方案和实时系统结构完成自动调节、方案推送和超负荷报警，依据实际情况进行直接负荷控制或根据需要通知客户并通过拉闸进行控制负荷。

与现有技术相比，本发明至少具有以下技术效果：

本发明的工业企业聚合用户电力负荷管理方法针对工业企业完成负荷管理，在负荷预测是，遵循“先细分再预测”的原则，即对于工业企业用户聚合中的各个用户进行特性分析，利用聚类算法将用户负载细分为不同特性分类，再分别使用不同预测算法进行负荷预测，最后将各种预测算法下的负荷预测结果进行加权求和，得到最终预测结果；负荷控制阶段，将短时预测和超短期的预测结果作为主要参考依据，与负荷重要性和负荷特性相结合，完成负荷调控方案；比常规系统级负荷预测，更有效完成负荷细化，更符合需求侧负荷特性，更有效完成用电负荷挖掘工作。

本发明的管理系统由负荷数据获取模块、气象数据获取模块、数据库、神经网络预测模块、误差计算修正模块和数据显示单元组成，整个工业企业用户聚合的电力负荷管理系统以负荷有效管理为实现目标，与SCADA电力监控系统相结合，与数据库完成双向数据互联，并实现可操作友好人机界面。并通过所述的神经网络预测模块对基于用户的历史用电数据、实时用电负荷数据和影响因素来预测未来用电负荷数据；误差计算修正模块将负荷管理调控方案的负荷数据与实时数据比对，完成反馈修正，实时修正负荷数据并优化训练神经网络预测模块的相关参数；最后数据显示单元用于人机交互，进行数据查询、曲线绘制、系统负荷分类展示和负荷调控方案推送。整个负荷管理系统简单可靠，能够有效完成负荷细化，更符合需求侧负荷特性，进行细化分类分布式负荷管理。

【附图说明】

图1是工业企业聚合用户电力负荷数据细化分类；

图2是工业企业聚合用户电力负荷管理控制技术模块示意图；

图3是工业企业聚合用户电力负荷预测流程图；

图4是工业企业聚合用户电力负荷管理系统示意图。

【具体实施方式】

下面结合附图和具体实施方式对本发明进行详细说明。

智能电网下工业企业用户侧电力负荷的短期负荷预测和负荷管理，要求在智能电网的需求侧管理要求下，结合工业企业用户侧电力负荷自身特点，使用历史负荷和其他参考数据的基础上，精确的预测出未来短期乃至超短期的负荷，并实现有效负荷控制和管理，以达到精确预测有效调控能源科学管理的目的。

本发明一种工业企业聚合用户电力负荷管理方法基本步骤为：负荷数据细分、负荷预测、负荷控制和负荷管理系统的实现。具体包括以下步骤：

首先，针对所需要负荷管理的工业企业聚合对象进行负荷分析和负荷数据细分。对所要求进行负荷管理的研究对象，即工业企业的数据采集系统进行负荷数据获取，完善数据准备和数据预处理工作；依据数据聚类的方法和负荷自身特性将负荷数据细分。

所述负荷数据细分是指将负荷按照一定的标准完成特性提取和有效分类。由于SCADA电力监控系统的广泛使用，可以便利的获得实时海量用户负荷数据，结合上述物理分类和算法聚类，并以需求侧管理为目标导向，可以对负荷进行更为有效分类与特性提取。

工业企业需求侧用户的涵盖的不同负荷特性相异，例如空调等调温负荷受到气温降雨量等天气因素影响，照明等负荷受到晴天或阴雨等影响，而工业生产用电与生产计划相关。依据各类负荷特性，以预测准确度高和分类复杂度低为约束条件，综合考虑直接负荷控制、可中断负荷、分时电价等需求侧响应机制，使用聚类算法，结合负荷自身特性，如图1所示，分为基本保障负荷，生产计划负荷，气象敏感负荷，可控照明负荷和随机负荷等五类负荷。

其次，依据细分结果将各个用户群组的时间序列历史数据进行汇总分析，运用神经网络和机器学习等数据挖掘方法构建不同预测模型，结合相关影响因素，完成各类负荷数据预测工作。

所述负荷预测指基于用户历史用电数据、实时用电负荷数据和气象等其他影响因素来预测用电负荷。模型的建立基于大量用电历史数据，从这些数据中分析用户用电习惯、设备运行状态及用电趋势、与环境影响因素、用电负荷与时间关系等，建立用电负荷预测模型，使用数据挖掘等智能算法，预测未来用电负荷等数据。

工业企业用户侧电力负荷预测历史数据主要来源于SCADA电力监控系统，由于生产计划、负荷转供、系统不稳定等原因，会有坏数据需要进行数据预处理。由于负荷数据在采集和传输过程中存在缺失和错误，首先应当对数据进行预处理，主要为数据清洗、降维和数据归一化。

接着，依据电力负荷预测结果和直接控制、可中断控制等需求侧管理手段完成负荷管理调控方案，将方案调控后负荷数据与实时数据比对，完成反馈修正。

所述负荷控制是指获得负荷预测结果后，结合工业企业生产计划和用电负荷使用情况，使用需求侧响应的直接负荷控制、负荷调度转移、柔性负荷控制等手段来管理负荷。在负荷预测值达到最大需量之前的控制点处，系统通过内设的需量曲线模式判定法进行需量控制工作。基于负荷预测的需量控制技术，可选择当前最合适的节能方案，提前控制最大需量，有效避免超负荷运行甚至跳闸发生，保证安全节能生产。

最后，工业企业用户聚合的电力负荷管理方法的实现，负荷管理方法依据负荷管理系统展开，系统实现数据自动导入导出、数据处理、负荷预测、负荷控制、曲线显示等功能。

所述的管理系统的实现，整体负荷管理的构建具体工作分为负荷预测方法和直接应用负荷预测结果进行需量控制两个部分。如图2所示，其中预测部分包括历史负荷数据获取模块、气象数据获取模块、日期判别模块、神经网络预测模块、误差计算修正模块、负荷曲线绘制模块及预测数据导出模块；而控制部分主要包括实时数据获取，负荷数据与实时数据比对，控制策略实施等模块。

其中，历史负荷数据获取模块和气象数据获取模块从数据接口获取负荷管理所需负荷数据和气象数据；日期判别模块通过获取预测日日期与内置日历比对，将预测日划分至工作日、周末或节假日等，组成合适的相似日数据集；神经网络预测模块通过输入的相似日数据集，应用神经网络预测得到预测结果；误差计算修正模块是通过比对以负荷预测结果与实时负荷数据，实时修正负荷数据并优化训练神经网络，提升后期预测精度；负荷曲线绘制模块及预测数据导出模块属于人机交互部分，将后台预测结果通过曲线和数据导出的方式展示给用户，其中负荷曲线绘制模块可在同一坐标轴上展示预测曲线和实时曲线，实时刷新曲线，而预测数据可实时导出为EXCEL文件。

负荷管理具体装置如图4所示，由数据接口单元，数据库，应用层，控制层，表现层等组成。

数据接口单元：负责向整个负荷管理系统提供历史负荷数据和气象数据的接口，对应负荷数据获取模块，通过电力数据采集与监视控制系统(SCADA)从各个关口设备电表处获取负荷数据，按照时间间隔采样并使用时间序列排列；通过气象台的气象网站接口获取气象数据。

数据库：包括实时数据库和历史数据库，实时数据库有预测当日实时负荷数据组成，历史数据库由历史日负荷数据和对应气象数据组成，历史数据已经过数据清洗。

应用层：完成负荷预测和控制整个流程的基本功能，数据导入负责从数据接口导入数据并输出至数据库和表现层，负荷数据预处理通过数据清洗和数据归一化得到可以用来预测的数据集，负荷预测模块完成预测工作，将预测数据输出至数据库和表现层，而负荷管理与优化控制完成负荷需量控制，依据负荷预测结果和内置需量控制数据完成负荷控制方案输出至表现层和控制层。

控制层：依据负荷管理与优化控制方案和实时系统结构完成自动调节、方案推送和超负荷报警等功能，依据实际情况进行直接负荷控制或根据需要通知客户并通过拉闸进行控制负荷。

表现层：作为人机交互平台，具有数据查询，曲线绘制，展示系统负荷分类和负荷调控方案等功能。数据查询实现用户指定日或指定时段查询；曲线可绘制指定日历史负荷曲线、各类负荷曲线、实时曲线、预测曲线、实时误差比对图以及较长时间段历史负荷趋势等等，可鼠标取点显示负荷值；系统负荷分类功能可使用电路系统图直观展示各类负荷分类方法，并展示对应负荷曲线；负荷调控方案使用推送的方法实时推送方案，并直观展示预计调控前后负荷曲线变化情况。

实施例1：

以某工业园能源管理为例，工业园涵盖工厂、科研单位、宾馆等多种用户类型。首先进行基于聚类算法和五河物理特性的负荷数据细分，负荷预测工作是基于负荷数据细分展开，预测流程如图3所示。每日24时负荷数据，每15分钟取一个点，全天共96点作为历史负荷输入量。某一日数据包括历史负荷数据、气象数据和当日气象因素，使用时间序列、神经网络、机器学习等方法进行预测，完善算法对比精度，并引入天气因素和生产计划因素等修正预测结果。预测使用“相似日”法则，即与该预测日具有相同类型的日期，并且在同一时段内，负荷变化与预测日呈现相似的变换规律。距离预测日最近的几个同类型日的同一时段内，相似日的负荷会是呈现相近的变化规律。依据特性周期性选择相似日，而依据不同负荷的影响因素将建立不同负荷模型，将会提高预测精确度。

电力负荷管理方法的可视化平台结构构成如图4所示，联合运用了SCADA电力在线监测系统，SQL server数据库和MTALAB软件。系统主要分为数据接口部分，数据库，应用层，表现层和控制层。数据接口主要有SCADA负荷数据接口和天气预报接口，依据数据命令导出接口，使用ODBC数据源方式与数据库连接。

在数据接口层，使用SCADA电力在线监测系统中各个关口设备电表获取数据，并结合气象台数据接口将历史负荷数据和气象数据导入，气象数据涵盖日最高、低气温，日相对湿度，日最大风速等。数据使用以太网导入至平台，并存入实时数据库。在应用层，完成负荷数据预处理、负荷预测以及负荷管理优化控制等工作，预测数据实时存至数据库，并与实时对比修正误差。应用层通过ODBC数据源方式与数据库连接，将预测结果通过表现层展示给用户，实现数据查询和曲线直观展示等功能，并实现人机交互。同时负荷优化控制结果将导入智能控制模块，直接提供给用户控制方案或在一定权限下完成自动控制。